Пилявская И.М.
АНАЛИЗ ВОЗМОЖНОСТИ ПРИМЕНЕНИЯ И АДАПТАЦИИ SCRUM-МЕТОДОЛОГИИ ДЛЯ ПРОЦЕССОВ ПРОДУКТОВОЙ АНАЛИТИКИ *
Аннотация:
целью данной работы стоит анализ особенностей рабочих процессов специалистов продуктовой аналитики, оценка возможности применения методологии scrum для управления данными процессами. В результате проведенной работы получилось описать аналитические процессы и их отличия от процессов разработки программного обеспечения. Также в данной работе составлено руководство по применению scrum для работы продуктовых аналитиков
Ключевые слова:
scrum, agile, менеджмент, управление процессами, продуктовая аналитика
УДК 005.5
Пилявская И.М.
Руководитель Аналитики
Тинькофф Банк
(Россия, г. Москва)
АНАЛИЗ ВОЗМОЖНОСТИ ПРИМЕНЕНИЯ
И АДАПТАЦИИ SCRUM-МЕТОДОЛОГИИ
ДЛЯ ПРОЦЕССОВ ПРОДУКТОВОЙ АНАЛИТИКИ
Аннотация: целью данной работы стоит анализ особенностей рабочих процессов специалистов продуктовой аналитики, оценка возможности применения методологии scrum для управления данными процессами. В результате проведенной работы получилось описать аналитические процессы и их отличия от процессов разработки программного обеспечения. Также в данной работе составлено руководство по применению scrum для работы продуктовых аналитиков.
Ключевые слова: scrum, agile, менеджмент, управление процессами, продуктовая аналитика.
Растущий сектор IT-компаний сталкивается с жесткой конкуренцией и необходимостью анализа большого объема данных для улучшения своих продуктов и позиций относительно конкурентов. В связи с этим растет потребность в наличии в штате специалистов по продуктовому анализу.
Для эффективной работы продуктовым аналитикам необходимы удобные регламентированные процессы, которые будут учитывать специфику данной профессии, а также помогать им взаимодействовать с заказчиками, в разумные сроки и не теряя качество выполнять свою работу. В связи с новизной профессии продуктового аналитика у компаний еще не успели сформироваться стандарты по процессам для работы данных специалистов. Это приводит к потере эффективности аналитиков, неудобству для заказчиков во взаимодействии с ними, нарастанию стрессовых состояний и потере мотивации.
Как правило, обучение аналитиков состоит из изучения инструментов: базы данных, статистика, математика, data science. Другими словами, много технологии, хотя данная профессия прикладная. Сама по себе аналитика не дает ценности. Она помогает принимать правильные решения бизнесу. И только когда они их примут – эта ценность появится. Чтобы это случилось, аналитик и заказчик должны друг друга правильно понять на этапах постановки задачи и презентации результатов.
Аналитик только частично участвует в создании продукта. Он продумывает техническое задание на разметку статистики новой функциональности и создает задачи на разработку, продумывает и запускает эксперименты. В остальном это творческая работа, которая не привязана к релизам. То есть аналитику нет смысла работать в основных спринтах своей команды, в которых живут задачи на разработку и тестирование.
В то же время это создает ощущение оторванности от общего процесса. Хочется ощущать себя частью команды, чувствовать свой вклад в общее дело — а взаимодействие происходит в основном с заказчиком задачи. Дальше аналитик предоставлен сам себе.
В процессе разработки есть переводчик с языка бизнеса на язык, понятный программисту – системный аналитик. Data-аналитику с этой задачей приходится справляться самостоятельно. Понимание контекста – один из самых важных аспектов работы аналитика. Без него сложно хорошо сделать задачу, не впасть в фрустрацию и в целом оценить полезность проделанной работы. Часто заказчики пытаются помогать аналитикам, когда прописывают, что именно аналитику надо сделать, лишая аналитика инициативы придумать решение лучше, отбирает у него творческую составляющую работы, делая из него просто исполнителя. Как следствие, это тормозит погружение продуктового аналитика в контекст бизнеса. Ведь он не понимает, для чего он смотрит динамику конверсий, выгружает данные и за чем на самом деле хочет следить продуктовый менеджер, когда просит его автоматизировать уже придуманную формулу на дашборд.
То, как аналитик оформляет результаты своей работы, – еще один важный аспект. Часто ему сложно переключиться с языка сложных терминов на язык, понятный заказчику, оформить все в доступном виде. Поскольку работа аналитика состоит в доставке не основной ценности бизнесу, а дополнительной, то зачастую заказчикам проще принять решение самостоятельно, чем добиваться от аналитика простого разъяснения.
Аналитики, оказавшиеся без регулярного прямого менеджмента, , к которым заказчики обращаются напрямую, могут также столкнуться с большим потоком задач с горящими сроками. Оценить важность «срочной» задачи, когда давят стресс и дедлайн, бывает сложно. А отказать в задаче для многих еще сложнее.
Резюмируя, особенности работы data-аналитика:
Оторванность от создания продукта и работы остальной команды;
Необходимость понимать бизнес-контекст и разговаривать с заказчиками на одном языке;
Инициативность в переработке постановки задачи и предложении лучшего решения;
Умение презентовать свою сложную работу простым языком;
Оторванность от конечной ценности для бизнеса и потеря ощущения собственной пользы.
Команда, в которой работает аналитик, сильно влияет на характер его задач и тоже накладывает свою специфику.
В продуктовых командах обычно все задачи идут от менеджера продукта. Работа в продуктовой команде, как правило, спланирована, а из внезапных срочных задач бывают исследования аномалий в критичных для бизнеса метриках. Продуктовый менеджер должен понимать работу каждого члена своей команды и, конечно, знать свой продукт лучше всех. На курсах продуктовых менеджеров учат самостоятельно разбираться в базовой аналитике, находить ответы на несложные вопросы, проводить аналитические исследования. Это хорошо на этапе, когда в продуктовой команде нет своего аналитика. Но когда он появляется – надо передать ему задачи, выделить зону его ответственности и набраться терпения, пока аналитик погрузится в контекст продукта. Хороший менеджер продукта точно знает, что ему надо от аналитика. И поскольку тривиальные задачи он может выполнить сам, иногда привлекает аналитика исключительно как исполнителя на те задачи, с которыми самостоятельно справиться уже не может. У аналитика это подрывает ощущение собственной экспертизы и чувство своей зоны ответственности. И, к сожалению, это иногда приводит к тому, что продуктовый менеджер совершает ошибки, тесты проводятся с нарушениями, выводы делаются неправильные.
В операционных направлениях всё совершенно наоборот. Менеджер по продажам, аккаунт-менеджер или маркетолог скорее придут за экспертизой аналитика. Их задачи, как правило, будут проще, быстрее в выполнении и принесут быстрый дофамин. Только в таких направлениях заказчиков у аналитика много, их работа сложно планируется и, чаще всего, с горящими сроками.
Классическая scrum-методология предполагает работу целой команды, включая команды разработки и тестирования. Задачи, поступающие в разработку, воплощают видение продуктового менеджера, но в том числе прорабатываются системными аналитиками, что делает их хорошо структурированными и подробно описанными. Результатом спринта должен быть законченный функционал продукта. Далее в статье будут описаны артефакты scrum-а и их адаптация к специфике работы продуктовых аналитиков
Спринт – это ограниченный во времени набор задач. Поскольку главной задачей продуктового аналитика является ответить на вопрос бизнеса и помочь ему принять правильное управленческое решение, то сроки аналитических спринтов должны быть короче, чем спринтов разработки. Оптимальной длинной аналитического спринта является одна неделя. Иначе менеджеры продукта примут решения, не опираясь на данные.
По итогу аналитического спринта не создается продуктовый функционал. Но все же спринты решают часть проблем, с которыми сталкиваются продуктовые аналитики:
Прозрачные сроки выполнения задач для заказчика;
Оценка нагрузки на аналитика;
Понятные планы по задачам на неделю;
Возможность не переживать из-за большого бэклога;
Планирование спринта происходит регулярно по окончанию предыдущего. На планирование происходит приоритезация задач в спринт согласно вкладу результатов этих задач в достижение целей бизнеса. Задачи, которые берутся в спринт, должны быть сделаны до его окончания. Поэтому аналитик не должен выполнять работу, которая не относится к задачам текущего спринта.
Чтобы оценить сроки выполнения задачи, можно использовать еще один артефакт скрама – сторипоинты. Story point – это единица измерения внимания, которое потребует выполнение задачи. Она учитывает все факторы: время выполнения задачи, сложность и даже прокрастинацию, которая может возникнуть из-за нежелания выполнять задачу. Условный один сторипоинт – это простейшая аналитическая задача. Команда аналитиков сама определяет критерии оценки задач. При этом в скраме принято давать оценку числами Фибоначчи: 1, 3, 5 и 8 сторипоинтов. Задачи, выполнение которых по оценке ответственного аналитика займет больше 8 сторипоинтов, лучше разбить на более мелкие задачи, чтобы не ошибиться в оценке и успеть в сроки спринта.
У каждого аналитика со временем вырабатывается понимание вместимости своего спринта. При этом вместимость всегда индивидуальна, зависит от опытности специалиста и нагрузки в виде дополнительных коммуникаций. Это позволяет заказчикам ориентироваться, когда будет сделана их задача. А также аналитик, научившись правильно оценивать задачи и свою нагрузку, будет закрывать спринт без долгов, то есть выполнять все задачи, которые взял в спринт. Это закрывает потребность в ощущении завершенности своей работы, которая есть у разработчиков в виде законченного функционала, и отсутствует без спринтов у аналитиков.
Поскольку продуктовые аналитики работают с быстро меняющимися потребностями бизнеса, далеко не всегда задачи могут быть спланированы заранее. Иногда потребность в выполнении какой-то задачи возникает в срочном порядке. Тогда происходит «вбрасываение в спринт». Такая процедура подразумевает переприоритезацию задач в уже запущенном спринте. Что означает, что наименее важная задача или несколько задач будет исключено из спринта, чтобы появилась возможность взять в него срочную задачу. При этом объем выкинутых задач в сторипоинтах должен соответствовать оценке срочной задачи.
Daily – это ежедневная встреча, которая в классическом понимании методологии scrum предполагает короткую синхронизацию по спринту всей команды. Для продуктовых аналитиков целесообразно проводить подобные встречи не только со своей продуктовой командой, но и с остальными аналитиками. Это решает проблему дублирования задач между несколькими исполнителями, а также позволяет обмениваться опытом. Если в штате большинство аналитиков работают давно и имеют высокий уровень квалификации, то частоту встреч для синхронизации можно сократить.
Demo – встреча, на которой команда показывает бизнес-заказчикам результаты своей работы. В случае с продуктовыми аналитиками демо помогает тренировать презентацию результатов своей работы, собрать обратную связь. Кроме того, это еще один способ поделиться с командой аналитиков своим опытом, а также способ продемонстрировать остальным продуктовым менеджерам возможности продуктовой аналитики.
Retro – встреча, которая предназначена для сбора обратной связи от заказчика задачи и исполнителя и продумыванию способов решить проблемы в работе и взаимодействии, если они возникают. В случае с командой аналитики, ретро будет полезно не только в рамках продуктовой команды, но и для команды продуктовой аналитики тоже. Это позволит выявить проблемы в аналитических процессах, во взаимодействии с заказчиками и в роботе с аналитическими инструментами.
Таким образом, в результате изучения процессов работы продуктовых аналитиков, специфики данной профессии и артефактов методологии scrum, удалось обосновать полезность этих артефактов и адаптировать их применимость к особенностям процессов именно продуктовой аналитики.
СПИСОК ЛИТЕРАТУРЫ:
What is scrum? [Электронный ресурс]. – Режим доступа: https://www.scrum.org/resources/what-is-scrum (дата обращения: 23.04.2022)
The 2020 Scrum Guide [Электронный ресурс]. – Режим доступа: https://scrumguides.org/scrum-guide.html (дата обращения: 23.04.2022)
Agile in Data Science: How can Scrum Work Effectively for Your Team? [Электронный ресурс]. – Режим доступа: https://towardsdatascience.com/agile-in-data-science-how-can-scrum-work-effectively-for-your-team-c567208e9d3f (дата обращения: 23.04.2022)
«Специалистов уже слишком много»: осваивать профессию продуктового аналитика уже поздно? Электронный ресурс]. – Режим доступа: https://vc.ru/s/productstar/158127-specialistov-uzhe-slishkom-mnogo-osvaivat-professiyu-produktovogo-analitika-uzhe-pozdno (дата обращения: 23.04.2022)
Fan, S. Lau, R., Zhao, J.L. (2015), Demystifying Big Data Analytics for Business Intelligence Through theLens of Marketing Mix. In: Big Data Research, Vol. 2, pp. 28-32.
Turban, E., Aronson, J.E., Liang, T., Sharda, R. (2007). Decision Support and Business Intelligence Systems (8th ed.), Prentice Hall Publications, Upper Saddle River, NJ, USA.
Croll, A., Yoskovitz, B. (2013). Lean Analytics. pp. 86 – 113.
Rodriguez, E. (2017). The Analytics Process. Strategic and Tactical Steps. pp. 71 – 94, 163 – 208.
Pilyavskaya I.M.
Head of Analytics
Tinkoff Bank
(Russia, Moscow)
ANALYSIS OF THE POSSIBILITY OF APPLICATION
& ADAPTATION OF SCRUM METHODOLOGY
FOR PRODUCT ANALYTICS PROCESSES
Abstract: the purpose of this work is to analyze the features of the work processes of product analytics specialists, to assess the possibility of using scrum methodology to manage these processes. As a result of the work carried out, it turned out to describe analytical processes and their differences from software development processes. Also in this paper, a guide on the use of scrum for the work of product analysts has been compiled.
Keywords: scrum, agile, management, process management, product analytics.
Номер журнала Вестник науки №4 (49) том 4
Ссылка для цитирования:
Пилявская И.М. АНАЛИЗ ВОЗМОЖНОСТИ ПРИМЕНЕНИЯ И АДАПТАЦИИ SCRUM-МЕТОДОЛОГИИ ДЛЯ ПРОЦЕССОВ ПРОДУКТОВОЙ АНАЛИТИКИ // Вестник науки №4 (49) том 4. С. 40 - 48. 2022 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/5518 (дата обращения: 19.04.2024 г.)
Вестник науки СМИ ЭЛ № ФС 77 - 84401 © 2022. 16+